scrapy爬取图片站

建个项目：

scrapy startproject jiumiji

scrapy genspider image www.jiumiji.com

编辑image.py

用xpath提取我们需要的网站内容（图片标题以及链接）

import scrapy

from ..items import DemoItem

class ImageSpider(scrapy.Spider):

   name = 'image'

   allowed_domains = ['http://www.jiumiji.com']

   start_urls = ['http://www.jiumiji.com']

   def parse(self, response):

       img_list=response.xpath("//div[@class='list-box col-s-960 clearfix ']/div")

       print(img_list)

       for img in img_list:

            item=DemoItem()

            item["title"]=img.xpath("./a/div[2]/span[2]/text()").extract_first()+'.png'

            item["img_urls"]='http:'+img.xpath("./a/div[@class='image-box']/img/@data-original")[0].extract()

            yield item

编辑items.py

# Define here the models for your scraped items

# See documentation in:

# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy

class DemoItem(scrapy.Item):

   # define the fields for your item here like:

   # name = scrapy.Field()

   title = scrapy.Field()

   img_urls = scrapy.Field()

编辑pipelines.py

from scrapy.pipelines.images import ImagesPipeline

import scrapy

import os

class DemoPipeline(ImagesPipeline):

   def get_media_requests(self, item, info):

       yield scrapy.Request(url=item['img_urls'], meta={'item': item})

   # 返回图片名称即可

   def file_path(self, request, response=None, info=None):

       item = request.meta['item']

       print('########', item)

       filePath = item['title']

       return filePath

   def item_completed(self, results, item, info):

       return item

修改setting文件

1.把管道打开：

ITEM_PIPELINES：项目管道，300为优先级，越低越爬取的优先度越高

2.其他：

BOT_NAME：项目名

LOG_LEVEL:屏蔽warning

USER_AGENT：默认是注释的，这个东西非常重要，不写容易被判断为电脑，简单点写一个Mozilla/5.0即可

ROBOTSTXT_OBEY：是否遵循机器人协议，默认是true，需要改为false，否则很多东西爬不了

开始爬虫：

scrapy crawl jiumiji